pytorch gcn

### 使用PyTorch实现图卷积网络（GCN） #### 安装依赖库 为了使用PyTorch实现GCN，需要安装必要的软件包。可以通过pip命令来完成这些操作： ```bash pip install torch torchvision torchaudio dgl-cu113 # 如果使用GPU支持CUDA版本 pip install torch torchvision torchaudio dgl # CPU版本 ``` #### 导入所需模块 在编写代码之前，先导入所需的Python库和工具。 ```python import os import numpy as np import pandas as pd from sklearn.model_selection import train_test_split import torch import torch.nn.functional as F from torch_geometric.datasets import Planetoid from torch_geometric.transforms import NormalizeFeatures from torch_geometric.nn import GCNConv, GATv2Conv ``` #### 数据集准备 这里以Cora数据集为例说明如何加载并预处理数据。该数据集是一个经典的引文网络数据集，在节点分类任务上被广泛采用。 ```python dataset = Planetoid(root='/tmp/Cora', name='Cora', transform=NormalizeFeatures()) data = dataset[0] # 获取单个图形对象 print(f'Dataset: {dataset}:') print('======================') print(f'Number of graphs: {len(dataset)}') print(f'Number of features: {dataset.num_features}') print(f'Number of classes: {dataset.num_classes}') print(data) print('==========================================================================================================') # Gather some statistics about the graph. print(f'Number of nodes: {data.num_nodes}') # 节点数量 print(f'Number of edges: {data.num_edges}') # 边的数量 print(f'Average node degree: {data.num_edges / data.num_nodes:.2f}') # 平均度数 print(f'Training labels rate: {(int(data.train_mask.sum()) / data.num_nodes):.2f}') # 训练标签比例 print(f'Testing labels rate: {(int(data.test_mask.sum()) / data.num_nodes):.2f}') # 测试标签比例 print(f'Is undirected: {data.is_undirected()}') # 是否无向图 ``` #### 构建GCN模型结构 定义一个简单的两层GCN架构来进行节点分类实验。 ```python class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = GCNConv(dataset.num_node_features, 16) # 输入特征维度 -> 隐藏层单元数 self.conv2 = GCNConv(16, dataset.num_classes) # 隐藏层单元数 -> 输出类别数目 def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) # 应用ReLU激活函数 x = F.dropout(x, training=self.training) # Dropout防止过拟合 x = self.conv2(x, edge_index) # 第二层传播规则 return F.log_softmax(x, dim=1) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = Net().to(device) data = data.to(device) optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4) ``` #### 模型训练过程 设置好超参数之后就可以开始迭代更新权重矩阵W了。 ```python def train(): model.train() optimizer.zero_grad() out = model(data.x, data.edge_index) loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask]) loss.backward() optimizer.step() for epoch in range(1, 201): train() if epoch % 10 == 0: print(f'(EPOCH:{epoch}) Training Loss:', end=" ") _, pred = model(data.x, data.edge_index).max(dim=1) correct = float(pred[data.train_mask].eq(data.y[data.train_mask]).sum().item()) acc = correct / int(data.train_mask.sum()) print(loss.item(), f'\tAccuracy: {acc:.4f}') ``` #### 模型测试效果评估 最后一步是对验证集或者测试集合上的表现情况进行评测。 ```python def test(mask): model.eval() logits, accs = model(data.x, data.edge_index), [] for mask_name, msk in {'train': data.train_mask, 'val': data.val_mask, 'test': data.test_mask}.items(): pred = logits[msk].max(1)[1] acc = pred.eq(data.y[msk]).sum().item() / msk.sum().item() accs.append(acc) print(f'{mask_name} set accuracy: {acc:.4f}', end='\n\n') test('test') ``` 上述代码展示了基于`torch_geometric`库的一个简单而完整的GCN实现流程[^2][^4]。